[发明专利]一种基于全卷积神经网络的两相流混合图像分割的方法

权利要求书

1.一种基于全卷积神经网络的气液两相图像分割方法，其特征在于，包括以下步骤：

S1：准备气液两相流图像数据集；对图片预处理；

S2：设定全卷积神经网络(Fully Convolutional Networks,FCN)的模型结构；基于编码器-解码器的结构改进的全卷积神经网络FCN模型，包括在编码器部分加入批量归一化(Batch Normalization,BN)层，在解码器部分的跳层连接部分加入更浅层的信息，将上采样方法由转置卷积改为双线性插值，在编码器和解码器之间加入空洞空间金字塔(ASPP)模块；

S3：确定损失函数；使用二元交叉熵作为损失函数：

其中y是二进制标签0或1，p(y)是概率密度函数；

S4：采用Adam优化器确定优化器；通过服务器性能确定超参数batch size和epochs的值；确定每个epoch中batch的数量参数n；

S5：初始化各层权值矩阵；对需要更新的权值矩阵进行正态分布初始化；

S6：数据增强；确定增强参数，设置以下增强参数：旋转范围为0-0.2、平移范围为0-0.05、剪裁范围为0-0.05、缩放范围为0-0.05；用临近插值算法按照S4选定的批量数(batchsize)不断地产生训练用的batch，共产生n个batch；

S7：向前传播；一个batch输入深度神经网络模型，进行向前传播，每层的输出由其参数和输入确定，层层传递得到最终输出的预测值；

S8：计算预测损失；通过(1)式中的损失函数计算此次预测的损失；

S9：反向传播；当通过前向传播得到由任意一组随机参数计算出的网络预测结果后，利用损失函数的信息通过网络向后流动，计算出每个参数的梯度；

S10：更新权值矩阵；根据S9反向传播得到的梯度值，通过梯度下降算法计算出更新后的权值矩阵；

S11：重复S8至S10，训练模型的权值矩阵，直至所有的epoch都完成了训练；将训练好的深度神经网络模型储存为ckpt文件；

S12：输入待分割的气液两相流图像；搜集使用高速摄像机拍摄的气液两相流图像，并作为系统的输入；

S13：预处理待分割的两相流图像，处理过程与S1预处理相同；

S14：加载训练好的改进FCN模型；

S15：气液两相流图像分割输出；输入气液两相流图像，通过训练好的FCN模型，预测出分割好的气液两相流图像，其中液相为黑色，气相为白色；

S16：获取训练好的FCN模型文件保存在存储设备中，同时加载模型二进制文件到内存中。

2.根据权利要求1所述一种基于全卷积神经网络的气液两相图像分割方法，其特征在于，所述S1中气液两相流图像数据集的准备方法为：

使用计算机模拟产生的气液图像分割数据集，该数据集包含气液图像以及已经标注的气液两相的形状和位置。

3.根据权利要求1所述一种基于全卷积神经网络的气液两相图像分割方法，其特征在于，所述S1中气液两相流图像数据集的准备方法为：

拍摄真实的气液两相流的视频，并从视频中获取气液两相的照片，组成气液两相流图片数据集；使用带约束的Dirichlet过程混合模型(the constrained Dirichlet processmixture model,CDPMM)对每张气液两相流照片标注气液两相的形状和位置。

4.根据权利要求3所述一种基于全卷积神经网络的气液两相图像分割方法，其特征在于，打标签的方法采用以下3个步骤予以实现：

1)确定关联的样本组；设定组的索引为l，组的总数量为L，Z_l表示相对应部分分配到第l个关联组，则变分分布(CDPMM)的表达式为：

2)定义

则目标函数F设定为

通过迭代更新(2)中的每个部分，使用CAVI算法最小化函数F，直到F收敛为止；

3)设定

Z_l就是每一组X_l的聚类标签。